الضبط الناقص (Underfitting) هو حالة يحدث فيها أن يكون النموذج بسيطًا جدًا بحيث يفشل في تعلم الأنماط الأساسية من بيانات التدريب، فيؤدي أداءً ضعيفًا سواء على بيانات التدريب أو على بيانات الاختبار. بعبارة أخرى: النموذج لا يستوعب تعقيد المشكلة وبالتالي لا يمكنه التنبؤ بدقة. يظهر ذلك مثلًا عندما نستخدم نموذجًا خطيًا بسيطًا لمحاولة حل مشكلة تحتاج لعلاقات أكثر تعقيدًا.
طرق تجنب الضبط الناقص:
1. زيادة تعقيد النموذج: استخدام خوارزميات أو نماذج أكثر مرونة (مثل الانتقال من الانحدار الخطي إلى الشبكات العصبية).
2. زيادة مدة التدريب: إعطاء النموذج وقتًا كافيًا للتعلم حتى يلتقط الأنماط من البيانات.
3. إضافة ميزات (Features) أكثر: تزويد النموذج بمعلومات وخصائص ذات صلة بالمشكلة.
4. تقليل التنظيم الزائد (Regularization): لأن التنظيم المبالغ فيه قد يمنع النموذج من التعلم جيدًا.
5. تحسين جودة البيانات: توفير بيانات أوضح وأكثر تمثيلًا للمشكلة.
الضبط الناقص يعني أن النموذج “لم يتعلم بما فيه الكفاية”، وحلّه يكون عادةً بجعل النموذج أذكى أو البيانات أوضح.
ا.م.د. علاء طعيمة عبد الكاظم
أستاذ مساعد دكتور في الذكاء الاصطناعي والتعلم العميق